导航：首页 > 网络技术 >

实例：使用puppeteer headless方式抓取JS网

发表于：2024-11-28 作者：热门IT资讯网编辑

编辑最后更新 2024年11月28日，puppeteergoogle chrome团队出品的puppeteer 是依赖nodejs和chromium的自动化测试库，它的最大优点就是可以处理网页中的动态内容，如JavaScript，能够更好

puppeteer

google chrome团队出品的puppeteer 是依赖nodejs和chromium的自动化测试库，它的最大优点就是可以处理网页中的动态内容，如JavaScript，能够更好的模拟用户。
有些网站的反爬虫手段是将部分内容隐藏于某些javascript/ajax请求中，致使直接获取a标签的方式不奏效。甚至有些网站会设置隐藏元素"陷阱"，对用户不可见，脚本触发则认为是机器。这种情况下，puppeteer的优势就凸显出来了。
它可实现如下功能：

生成页面的屏幕截图和PDF。
抓取SPA并生成预先呈现的内容（即"×××"）。
自动表单提交，UI测试，键盘输入等。
创建一个最新的自动化测试环境。使用最新的JavaScript和浏览器功能，直接在最新版本的Chrome中运行测试。
捕获跟踪您网站的时间线，以帮助诊断性能问题。

开源地址：[https://github.com/GoogleChrome/puppeteer/][1]

安装

npm i puppeteer

注意先安装nodejs, 并在nodejs文件根目录下执行（npm文件同级）。
安装过程中会下载chromium，大约120M。

用两天（大约10小时）摸索，绕过了相当多的异步的坑，笔者对puppeteer和nodejs有了一定的掌握。
一张长图，抓取blog文章列表：

抓取blog文章

以csdn blog为例，文章内容需要点击"阅读全文"来获取，这就导致只能读取dom的脚本失效。

/*** load blog.csdn.net article to local files**/const puppeteer = require('puppeteer');//emulate iphoneconst userAgent = 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1';const workPath = './contents';const fs = require("fs");if (!fs.existsSync(workPath)) {        fs.mkdirSync(workPath)}//base urlconst rootUrl = 'https://blog.csdn.net/';//max wait millisecondsconst maxWait = 100;//max loop scroll timesconst makLoop = 10;(async () => {    let url;    let countUrl=0;    const browser = await puppeteer.launch({headless: false});//set headless: true will hide chromium UI    const page = await browser.newPage();    await page.setUserAgent(userAgent);    await page.setViewport({width:414, height:736});    await page.setRequestInterception(true);    //filter to block images    page.on('request', request => {    if (request.resourceType() === 'image')      request.abort();    else      request.continue();    });    await page.goto(rootUrl);    for(let i= 0; iwindow.scrollTo(0, document.body.scrollHeight));            await page.waitForNavigation({timeout:maxWait,waitUntil: ['networkidle0']});        }catch(err){            console.log('scroll to bottom and then wait '+maxWait+'ms.');        }    }    await page.screenshot({path: workPath+'/screenshot.png',fullPage: true, quality :100, type :'jpeg'});    //#feedlist_id li[data-type="blog"] a    const sel = '#feedlist_id li[data-type="blog"] h3 a';    const hrefs = await page.evaluate((sel) => {        let elements = Array.from(document.querySelectorAll(sel));        let links = elements.map(element => {            return element.href        })        return links;    }, sel);    console.log('total links: '+hrefs.length);    process();  async function process(){    if(countUrl {        if (request.resourceType() === 'image')          request.abort();        else          request.continue();        });        await tab.goto(url);        //execute tap request        try{            await tab.tap('.read_more_btn');        }catch(err){            console.log('there\'s none read more button. No need to TAP');        }        let title = await tab.evaluate(() => document.querySelector('#article .article_title').innerText);        let contents = await tab.evaluate(() => document.querySelector('#article .article_content').innerText);        contents = 'TITLE: '+title+'\nURL: '+url+'\nCONTENTS: \n'+contents;        const fs = require("fs");        fs.writeFileSync(workPath+'/'+tab.url().substring(tab.url().lastIndexOf('/'),tab.url().length)+'.txt',contents);        console.log(title + " has been downloaded to local.");        await tab.close();    }catch(err){        console.log('url: '+tab.url()+' \n'+err.toString());    }finally{        process();    }  }})();

执行过程

录屏可以在我公众号查看，下边是截图：

执行结果

文章内容列表：

文章内容：

结束语

以前就想过既然nodejs是使用JavaScript脚本语言，那么它肯定能处理网页的JavaScript内容，但并没有发现合适的/高效率的库。直到发现puppeteer，才下定决心试水。
话说回来，nodejs的异步真的是很头疼的一件事，这上百行代码我竟然折腾了10个小时。
大家可拓展下代码中process()方法，使用async.eachSeries，我使用的递归方式并不是最优解。
事实上，逐一处理并不高效，原本我写了一个异步的关闭browser方法：

let tryCloseBrowser = setInterval(function(){        console.log("check if any process running...")        if(countDown<=0){          clearInterval(tryCloseBrowser);          console.log("none process running, close.")          browser.close();        }    },3000);

按照这个思路，代码的最初版本是同时打开多个tab页，效率很高，但容错率很低，大家可以试着自己写一下。

题外话

看过我的文章的人都知道，我写文章更强调处理问题的方式/方法，给大家一些思维上的建议。
对于nodejs和puppeteer我是完全陌生的（当然，我知道他们适合做什么，仅此而已）。如果大家还记得《10倍速程序员》里提到的按需记忆的理念，那么你就会理解我刻意的不去系统的学习新技术。
我说说我接触puppeteer到完成我需要功能的所有思维逻辑：